論文の概要: MedXAI: A Retrieval-Augmented and Self-Verifying Framework for Knowledge-Guided Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2512.10098v1
• Date: Wed, 10 Dec 2025 21:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.071558
• Title: MedXAI: A Retrieval-Augmented and Self-Verifying Framework for Knowledge-Guided Medical Image Analysis
• Title（参考訳）: MedXAI:知識誘導型医用画像解析のための検索および自己検証フレームワーク
• Abstract要約: MedXAIは、深層視覚モデルと臨床から派生した専門知識を統合して、一般化を改善し、希少な偏見を減らし、人間の理解に足る説明を提供する。 我々は,MedXAIを多種多様性で評価し, (i) 静置型fMRIによる静注オンセットゾーンの局在と, (ii) 糖尿病網膜症をグレードする2つの課題について検討した。
• 参考スコア（独自算出の注目度）: 0.5581472054346949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and interpretable image-based diagnosis remains a fundamental challenge in medical AI, particularly un- der domain shifts and rare-class conditions. Deep learning mod- els often struggle with real-world distribution changes, exhibit bias against infrequent pathologies, and lack the transparency required for deployment in safety-critical clinical environments. We introduce MedXAI (An Explainable Framework for Med- ical Imaging Classification), a unified expert knowledge based framework that integrates deep vision models with clinician- derived expert knowledge to improve generalization, reduce rare- class bias, and provide human-understandable explanations by localizing the relevant diagnostic features rather than relying on technical post-hoc methods (e.g., Saliency Maps, LIME). We evaluate MedXAI across heterogeneous modalities on two challenging tasks: (i) Seizure Onset Zone localization from resting-state fMRI, and (ii) Diabetic Retinopathy grading. Ex periments on ten multicenter datasets show consistent gains, including a 3% improvement in cross-domain generalization and a 10% improvmnet in F1 score of rare class, substantially outperforming strong deep learning baselines. Ablations confirm that the symbolic components act as effective clinical priors and regularizers, improving robustness under distribution shift. MedXAI delivers clinically aligned explanations while achieving superior in-domain and cross-domain performance, particularly for rare diseases in multimodal medical AI.
• Abstract（参考訳）: 正確かつ解釈可能な画像ベースの診断は、医療AI、特に非ドメインシフトと希少な条件において、依然として根本的な課題である。 ディープラーニング・モード・エルは、現実世界の分布変化に苦しむことが多く、頻繁な病態に対する偏見を示し、安全クリティカルな臨床環境への展開に必要な透明性を欠いている。 MedXAI (An Explainable Framework for Med-ical Imaging Classification, Med-ical Imaging Classification) は、深層視覚モデルと臨床由来の専門知識を統合し、一般化を改善し、レアクラスのバイアスを低減し、技術的なポストホック法(例えば、Saliency Maps, LIME)に頼るのではなく、関連する診断機能をローカライズすることによって、人間の理解可能な説明を提供する、統合された専門知識ベースのフレームワークである。 我々は,MedXAIを不均一なモードで2つの課題に対して評価する。 一 静止状態fMRIからの静置オンセットゾーンの局在化及び (II)糖尿病網膜症 10のマルチセンターデータセットのエクスペリメントは、クロスドメインの一般化が3%改善し、F1スコアの10%即興性が大幅に向上し、強力なディープラーニングベースラインを上回った。 アブレーションは、シンボル成分が効果的な臨床前駆体および正規化剤として機能し、分布シフト時の堅牢性を改善することを確認する。 MedXAIは、特にマルチモーダル医療AIにおける稀な疾患に対して、ドメイン内およびクロスドメインのパフォーマンスを向上しながら、臨床的に整合した説明を提供する。

関連論文リスト

• SMILE: Self-Explainable Multimodal Information Bottleneck for Medical Diagnosis [71.98702207668346]
  説明可能性(Explainability)は、AIベースの診断、特に安全クリティカルな臨床的意思決定において、ますます重要な要件とみなされている。 本稿では,情報ボトルネック(IB)フレームワーク内で定式化することで,自己説明可能なマルチモーダル診断の問題に対処する。 本稿では,予測性能とモダリティ固有の説明可能性とを協調的に最適化する統合学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-09-04T14:13:24Z)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• A Robust Unsupervised Domain Adaptation Framework for Medical Image Classification Using RKHS-MMD [0.9634859579172255]
  医療画像のラベル付けは医療画像の分野で大きなボトルネックとなっている。 本稿では、転送学習と再生カーネル空間に基づく最大平均離散性損失を組み合わせた教師なしドメイン適応フレームワークを提案する。 RKHS-MMDは、標準の最大平均差よりも、モダリティギャップの低減に優れた性能を示す。
  論文  参考訳（メタデータ） (2026-05-05T14:14:25Z)
• Bias-constrained multimodal intelligence for equitable and reliable clinical AI [20.359655610649476]
  BiasCareVLはバイアス対応のマルチモーダル学習フレームワークで、モデル設計に直接バイアス制御を導入する。 視覚的質問応答、疾患分類、セグメンテーション、レポート生成など様々な臨床タスクをサポートする。 20の最先端の手法を一貫して上回り、臨床的に困難なシナリオで顕著な成果を上げている。
  論文  参考訳（メタデータ） (2026-04-18T07:23:34Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
  医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。 本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
  論文  参考訳（メタデータ） (2026-01-16T02:32:07Z)
• XAI-MeD: Explainable Knowledge Guided Neuro-Symbolic Framework for Domain Generalization and Rare Class Detection in Medical Imaging [0.6345042809319409]
  XAIMeDは、臨床的に正確な専門家の知識を統合された神経シンボルアーキテクチャを通じて深層学習に統合する説明可能な医療AIフレームワークである。 このフレームワークは、臨床の専門知識を、原子医学の命題に対する論理的結合としてエンコードし、それらをマシンチェック可能なクラス固有のルールに変換する。
  論文  参考訳（メタデータ） (2026-01-05T11:17:33Z)
• NEURO-GUARD: Neuro-Symbolic Generalization and Unbiased Adaptive Routing for Diagnostics -- Explainable Medical AI [0.6345042809319409]
  NEURO-GUARDは、視覚変換器(ViT)と言語駆動推論を統合して性能を向上させる知識誘導型視覚フレームワークである。 NEURO-GUARDは、大規模言語モデル(LLM)が医療画像の特徴抽出コードを反復的に生成し、評価し、洗練する自己検証のために、検索拡張生成(RAG)機構を採用している。 4つのベンチマークデータセットで糖尿病網膜症分類の実験により、NEURO-GUARDはViTのみのベースラインで精度を6.2%改善し、ドメインの一般化で5%向上した。
  論文  参考訳（メタデータ） (2025-12-20T02:32:15Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• RegionMed-CLIP: A Region-Aware Multimodal Contrastive Learning Pre-trained Model for Medical Image Understanding [0.0]
  RegionMed-CLIPは、局所的な病理信号と全体論的意味表現を組み込んだマルチモーダルコントラスト学習フレームワークである。 MedRegion-500kは、広範囲な地域アノテーションと多段階の臨床的記述を特徴とする総合的な医用画像テキストコーパスである。 本研究は,マルチモーダル医用画像理解の基盤として,地域対応型コントラスト事前訓練の重要性を強調した。
  論文  参考訳（メタデータ） (2025-08-07T10:32:03Z)
• UdonCare: Hierarchy Pruning for Unseen Domain Discovery in Predictive Healthcare [8.077539743672732]
  本稿では,患者を患者データから分割した潜在領域に分割する階層化誘導手法を提案する。 医用階層(ICD-9-IV-CMなど)を用いて患者ドメインを同定する。 MIMIC-IIIとMIMIC-IIIの2つの公開データセットにおいて、UdonCareはドメインギャップがかなり大きい4つの臨床予測タスクに対して優位性を示す。
  論文  参考訳（メタデータ） (2025-06-08T03:20:34Z)
• MedCoT: Medical Chain of Thought via Hierarchical Expert [48.91966620985221]
  本稿では,新しい階層的検証手法であるMedCoTについて述べる。 生体画像検査における解釈可能性と精度を高めるように設計されている。 4つの標準Med-VQAデータセットに対する実験的評価は、MedCoTが既存の最先端アプローチを上回ることを示している。
  論文  参考訳（メタデータ） (2024-12-18T11:14:02Z)
• Rescuing referral failures during automated diagnosis of domain-shifted medical images [17.349847762608086]
  異なる人口層から取得した医療画像や、別の技術を用いて測定した場合、最先端の領域一般化アプローチでさえ、参照中に深刻な失敗を犯すことが示される。 我々は,これらの障害を解消し,大幅な性能向上を実現する,ロバストな一般化とポストホック参照アプローチの新たな組み合わせを評価する。
  論文  参考訳（メタデータ） (2023-11-28T13:14:55Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。